Prenez contact avec nous
 Durée 14 heures

Plan du cours

Conception d'une architecture AIOps ouverte

  • Aperçu des composants clés des pipelines AIOps ouverts
  • Flux de données de l'ingestion à l'alerting
  • Comparaison des outils et stratégie d'intégration

Collecte et agrégation de données

  • Ingestion de données en séries temporelles avec Prometheus
  • Capture des journaux avec Logstash et Beats
  • Normalisation des données pour la corrélation inter-sources

Création de tableaux de bord d'observabilité

  • Visualisation des métriques avec Grafana
  • Création de tableaux de bord Kibana pour l'analyse des journaux
  • Utilisation de requêtes Elasticsearch pour extraire des insights opérationnels

Détection d'anomalies et prédiction d'incidents

  • Export des données d'observabilité vers des pipelines Python
  • Entraînement de modèles de ML pour la détection de valeurs aberrantes et la prévision
  • Déploiement de modèles pour une inférence en direct dans le pipeline d'observabilité

Alerting et automatisation avec des outils ouverts

  • Création de règles d'alerte Prometheus et routage Alertmanager
  • Déclenchement de scripts ou de flux de travail API pour une réponse automatique
  • Utilisation d'outils d'orchestration open source (p. ex., Ansible, Rundeck)

Intégration et considérations d'évolutivité

  • Gestion de l'ingestion à haut volume et de la conservation à long terme
  • Sécurité et contrôle d'accès dans les stacks open source
  • Évolutivité indépendante de chaque couche : ingestion, traitement, alerting

Applications réelles et extensions

  • Études de cas : ajustement des performances, prévention des interruptions et optimisation des coûts
  • Extension des pipelines avec des outils de traçage ou des graphes de services
  • Meilleures pratiques pour l'exécution et le maintien de l'AIOps en production

Résumé et prochaines étapes

Pré requis

  • Expérience avec des outils d'observabilité tels que Prometheus ou ELK
  • Connaissances pratiques de Python et des fondamentaux de l'apprentissage automatique (ML)
  • Compréhension des opérations IT et des flux de travail d'alerting

Public visé

  • Ingénieurs de fiabilité des sites (SRE) de niveau avancé
  • Ingénieurs de données travaillant dans les opérations
  • Chefs de plateformes DevOps et architectes d'infrastructure

Nombre de participants


Prix par participant

Cours à venir

Catégories Similaires